【喜讯】网络与媒体实验室高水平论文被人工智能顶级会议ICML 2026录用
近日，由网络与媒体实验室董亚波老师和许端清老师指导的2023级硕博连读生（2021级硕，2023级博）张君如同学一篇题为 “AnomSeer: Reinforcing Multimodal LLMs to Reason for Time-Series Anomaly Detection”论文被机器学习领域国际顶级会议 International Conference on Machine Learning（ICML） 正式接收。
ICML 是机器学习领域历史最悠久、最具国际影响力的顶级学术会议，由中国计算机学会（CCF）推荐为 A 类会议，与 NeurIPS、ICLR 并称为机器学习“三大顶会”。本届 ICML 2026 将于 2026 年 7 月 6 日至 7 月 11 日在首尔举行。会议共收到来自世界各地投稿 23918 篇，其中录用 6352 篇文章，录用率为 26.6%。
论文简介:
图 1：时序推理能力对比
在时间序列异常检测任务中，模型不仅需要判断某段数据是否异常，还需要进一步定位异常区间、识别异常类型，并给出可信的分析依据。然而，现有多模态大语言模型（Multimodal LLMs, MLLMs）虽然能够通过折线图等视觉形式理解时间序列数据，但在面对细粒度、结构复杂的异常模式时，往往依赖粗粒度的视觉“直觉”或表面启发式判断，难以完成精确、可验证的时间序列推理。为此，论文提出了 AnomSeer，一种面向时间序列异常检测的多模态大语言模型强化后训练（RL post-training）框架，旨在让 MLLM 从“看见异常”进一步走向“理解异常、定位异常并解释异常”。
图2：AnomSeer框架图
论文主要技术创新如下：
第一，提出面向时间序列异常检测的多模态推理框架 AnomSeer。该方法将原始时间序列渲染为图像输入，并结合文本指令，使多模态大语言模型能够在统一生成过程中同时完成异常分类、异常区间定位和自然语言解释，实现检测、定位与推理的一体化建模。
第二，构建专家链式思维轨迹（Expert Chain-of-Thought, ExpCoT）。不同于普通 LLM 生成的泛化解释，ExpCoT 引入统计分析、频域分析、Matrix Profile 等经典时间序列异常检测方法，将传统算法中可验证的数值证据转化为结构化推理路径，帮助模型学习从全局模式、局部波动到最终异常结论的细粒度分析过程。
第三，提出全新的时间序列感知强化学习算法 TimerPO（Time-series Grounded Policy Optimization）。TimerPO 在标准强化学习后训练的基础上，引入基于最优传输的时间序列推理优势信号，并通过正交投影机制将其作为非干扰式辅助优化目标，从而在不破坏主要异常检测目标的前提下，强化模型对趋势漂移、频率变化、局部上下文异常等细微时序结构的推理能力。
实验结果显示，AnomSeer 在异常类型分类、异常区间定位和解释质量方面均显著优于 GPT-4o、Gemini-2.5-Pro 以及多种开源多模态大模型基线。尤其值得注意的是，AnomSeer 在 3B/7B 规模下即可超越更大规模的商业模型，并在频率异常、趋势异常和上下文点异常等细粒度场景中表现突出，充分展现了所设计的强化后训练方法在多模态时间序列推理任务中的巨大潜力。
作者简介：
张君如，2021级博士生，指导老师：许端清、董亚波。主要研究方向：传感器时序数据挖掘和分析，研究内容包括基于大语言模型的时序建模、生成模型以及迁移学习等。
导师简介：
许端清，浙江大学计算机科学与技术学院教授，主要研究方向：人工智能、深度学习、图像智能处理等。
董亚波，浙江大学计算机科学与技术学院副教授，主要研究方向：物联网技术、文物保护技术、传感器数据挖掘及处理等。